加性卡方采样器#
- class sklearn.kernel_approximation.AdditiveChi2Sampler(*, sample_steps=2, sample_interval=None)[source]#
加性卡方核的近似特征映射。
使用对核特征在规则间隔处进行傅里叶变换采样。
由于要近似的核是加性的，因此可以分别处理输入向量的分量。原始空间中的每个条目都转换为 2*sample_steps-1 个特征，其中 sample_steps 是该方法的参数。sample_steps 的典型值包括 1、2 和 3。
可以计算某些数据范围的采样间隔的最佳选择（参见参考文献）。默认值应该比较合理。
更多信息请参见 用户指南。
- 参数：
- sample_stepsint, default=2
给出（复数）采样点的数量。
- sample_intervalfloat, default=None
采样间隔。当 sample_steps 不在 {1,2,3} 中时，必须指定。
- 属性：
另请参见
SkewedChi2Sampler对卡方核的非加性变体的傅里叶逼近。
sklearn.metrics.pairwise.chi2_kernel精确的卡方核。
sklearn.metrics.pairwise.additive_chi2_kernel精确的加性卡方核。
注释
此估计器逼近的加性卡方核版本与
metric.additive_chi2计算的版本略有不同。此估计器是无状态的，不需要拟合。但是，我们建议调用
fit_transform而不是transform，因为参数验证仅在fit中执行。参考文献
参见“通过显式特征映射实现高效的加性核” A. Vedaldi和A. Zisserman，模式分析与机器智能，2011
示例
>>> from sklearn.datasets import load_digits >>> from sklearn.linear_model import SGDClassifier >>> from sklearn.kernel_approximation import AdditiveChi2Sampler >>> X, y = load_digits(return_X_y=True) >>> chi2sampler = AdditiveChi2Sampler(sample_steps=2) >>> X_transformed = chi2sampler.fit_transform(X, y) >>> clf = SGDClassifier(max_iter=5, random_state=0, tol=1e-3) >>> clf.fit(X_transformed, y) SGDClassifier(max_iter=5, random_state=0) >>> clf.score(X_transformed, y) 0.9499...
- fit(X, y=None)[source]#
仅验证估计器的参数。
此方法允许：(i) 验证估计器的参数和 (ii) 与scikit-learn转换器API保持一致。
- 参数：
- X数组类型，形状 (n_samples, n_features)
训练数据，其中
n_samples是样本数，n_features是特征数。- y数组类型，形状 (n_samples,) 或 (n_samples, n_outputs)，默认为None
目标值（无监督转换则为None）。
- 返回值：
- self对象
返回转换器。
- fit_transform(X, y=None, **fit_params)[source]#
拟合数据，然后转换它。
使用可选参数
fit_params将转换器拟合到X和y，并返回X的转换版本。- 参数：
- X形状为 (n_samples, n_features) 的数组类型
输入样本。
- y形状为 (n_samples,) 或 (n_samples, n_outputs) 的数组类型，默认为None
目标值（无监督转换则为None）。
- **fit_params字典
附加拟合参数。
- 返回值：
- X_new形状为 (n_samples, n_features_new) 的ndarray数组
转换后的数组。
- get_feature_names_out(input_features=None)[source]#
获取转换后的输出特征名称。
- 参数：
- input_features字符串数组类型或None，默认为None
仅用于使用在
fit中看到的名称验证特征名称。
- 返回值：
- feature_names_out字符串对象的ndarray
转换后的特征名称。
- get_metadata_routing()[source]#
获取此对象的元数据路由。
请查看用户指南了解路由机制的工作原理。
- 返回值：
- routingMetadataRequest
一个
MetadataRequest，封装了路由信息。
- get_params(deep=True)[source]#
获取此估计器的参数。
- 参数：
- deep布尔值，默认为True
如果为True，将返回此估计器和包含的作为估计器的子对象的参数。
- 返回值：
- params字典
参数名称映射到其值。
- set_output(*, transform=None)[source]#
设置输出容器。
有关如何使用此 API 的示例，请参见介绍 set_output API。
- 参数：
- transform{“default”, “pandas”, “polars”}, default=None
配置
transform和fit_transform的输出。"default"：转换器的默认输出格式"pandas"：DataFrame 输出"polars"：Polars 输出None：转换配置不变
版本 1.4 中新增： 添加了
"polars"选项。
- 返回值：
- self估计器实例
估计器实例。